Voz IA Conversacional De IVR Robóticos a Conversaciones Naturales

"Pulse 1 para ventas, 2 para soporte, 3 para facturación…" Todos hemos sufrido un IVR. Menús interminables, reconocimiento de voz que falla el 40% de las veces, y una sensación de frustración que empieza antes de hablar con alguien. La voz IA conversacional de Cadences elimina todo eso: un agente de inteligencia artificial contesta la llamada, entiende lo que dices, consulta tu historial en tiempo real y responde con voz natural en el idioma que prefieras.

La diferencia fundamental no es solo tecnológica — es de experiencia. Un IVR es un árbol de decisiones fijo; un agente de voz IA es una conversación abierta con acceso a datos en tiempo real.

La voz IA en Cadences funciona como un puente en tiempo real entre tres sistemas. No hay intermediarios de polling ni colas de procesamiento — todo ocurre por WebSocket bidireccional con latencia inferior a 500ms.

Cuando Twilio recibe una llamada, ejecuta un webhook que genera TwiML dinámico. Este XML le dice a Twilio que, en lugar de reproducir un IVR, abra un Media Stream por WebSocket hacia el Durable Object, inyectando contexto del negocio como parámetros:

<?xml version="1.0" encoding="UTF-8"?>
<Response>
  <Connect>
    <Stream url="wss://cadences.app/api/elevenlabs/media-stream">
      <Parameter name="agentId"    value="agent_abc123" />
      <Parameter name="language"   value="es" />
      <Parameter name="callerName" value="María García" />
      <Parameter name="contextPrompt"
                value="Clínica dental. Paciente con cita el 15/02. Tratamiento: ortodoncia." />
    </Stream>
  </Connect>
</Response>

Fíjate en el parámetro contextPrompt: aquí es donde inyectas la información de negocio. El agente de ElevenLabs recibe este contexto antes de la primera palabra y puede usarlo durante toda la conversación. "Buenos días María, veo que tiene una cita de ortodoncia el 15 de febrero. ¿En qué puedo ayudarle?"

Lo que convierte a un agente de voz genérico en uno realmente útil es el contexto. El Durable Object envía un mensaje de inicialización a ElevenLabs con la configuración de la conversación y las variables dinámicas del llamante:

// Mensaje enviado al conectar con ElevenLabs
const initMessage = {
  type: 'conversation_initiation_client_data',
  conversation_config_override: {
    agent: {
      language: 'es',
      prompt: {
        prompt: contextPrompt  // Contexto de negocio
      },
      first_message: 'Hola María, bienvenida a Clínica Dental...'
    }
  },
  dynamic_variables: {
    caller_number: '+34612345678',
    caller_name:   'María García',
    call_sid:      'CA1234567890abcdef',
    workflow_id:   'wf_cita_dental'
  }
};

Las variables dinámicas permiten que un mismo agente de voz se comporte de forma diferente según quién llama. Si el CRM dice que María tiene una factura pendiente, el agente lo sabe antes de que ella pregunte.

Cadences incluye un catálogo de voces configurables con control fino sobre estabilidad, expresividad y similitud. El modelo eleven_multilingual_v2 permite que la misma voz hable español, inglés, francés o japonés sin cambiar de perfil.

Además de llamadas entrantes, Cadences permite iniciar llamadas salientes desde cualquier storefront vía API. Una clínica puede automatizar recordatorios de citas, un e-commerce puede confirmar pedidos, o un equipo de ventas puede hacer seguimiento — todo con voz IA personalizada.

POST /api/storefront/voice-call

{
  "phoneNumber": "+34612345678",
  "cadences_prompt": "Recuerda a María su cita de ortodoncia mañana a las 10:00. Pregunta si confirma o desea cambiar fecha.",
  "callType": "reminder",
  "metadata": {
    "patientId": "pat_001",
    "appointmentId": "apt_2025_0215",
    "organizationId": "org_clinica23"
  }
}

// Respuesta
{
  "success": true,
  "callId": "call_1705312800",
  "conversationId": "conv_abc123",
  "status": "initiated"
}

El proxy se encarga de la autenticación con ElevenLabs y Twilio — tu storefront nunca expone las API keys. La llamada se registra en D1 con el ID de conversación para posterior seguimiento.

Gracias al modelo eleven_multilingual_v2, la misma voz puede hablar en cualquiera de estos idiomas sin necesidad de configurar voces separadas. Basta con cambiar el parámetro language en la configuración del agente.

Además de la telefonía, Cadences incluye Audio Hub: una aplicación de escritorio Electron para generar, previsualizar y gestionar contenido de audio con IA. Text-to-Speech en batch, clonación de voz, y exportación en múltiples formatos — todo conectado a la misma infraestructura de ElevenLabs.

La voz IA tiene controles estrictos para evitar abusos y controlar costes. Cada parámetro es configurable por organización.

La infraestructura de voz IA en Cadences funciona con un modelo serverless puro. No hay servidores encendidos 24/7, no hay mínimas mensuales de infraestructura. La factura se compone de tres elementos:

La voz IA conversacional en Cadences no es un feature secundario — es una interfaz de primera clase al mismo nivel que el dashboard web o la API REST. Un agente de voz tiene acceso al mismo CRM, al mismo pipeline, a los mismos datos que cualquier otro punto de entrada al sistema.

La combinación de Twilio (red telefónica global), un Durable Object como bridge inteligente, y ElevenLabs (voz neural en 28+ idiomas) crea un stack de voz que es simultáneamente potente y simple de configurar. No necesitas ingenieros de telefonía, no necesitas grabar prompts de IVR, no necesitas contratar un call center.